생성형 인공지능 예술에서의 표절 방지: 생성적 적대 신경망의 제어 전략과 미학적 함의
Preventing Plagiarism in Generative AI Art: control strategies of GANs and their aesthetic implications
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
21세기의 생성형 인공지능 예술은 생성적 적대 신경망(GAN)의 발전으로 전례 없는 창작 가능성을 열었으나, 동시에 기존 작품과의 사이에 높은 유사성으로 인한 표절 논란을 불러왔다. 인공지능이 방대한 데이터를 학습해 이미지를 생성하는 과정에서 과적합과 반복 생성이 발생하기 때문이다. 본 연구는 이러한 위험을 줄이기 위한 제어 전략을 실증적으로 검증하고, 그 미학적 함의를 논의하였다. 첫째, 유명인 얼굴 속성(CelebA), 위키아트(WikiArt) 데이터셋을 활용하여 생성물과 학습 데이터 간 유사성을 평가하였다. 기본 생성적 적대 신경망 모델은 평균 구조적 유사도(SSIM) 0.71, 학습된 지각 유사도(LPIPS) 0.32로 원본과의 유사성이 높았으나, 제어 전략을 적용하자 구조적 유사도는 0.58로 감소하고 학습된 지각 유사도는 0.46으로 증가하여 과적합 가능성이 완화되었다(p<0.05). 둘째, 잠재 공간 조작, 판별자 유사성 필터링, 창의성 유도 손실을 적용해 표절 방지 효과를 검증하였다. 그 결과, 특징 다양성(Intra-FID)은 약 18% 향상되고, 생성물 간 평균 유사도는 12% 감소했으며, 창의성 평가 점수는 3.2에서 4.1로 상승하였다. 이러한 수치는 제어 전략이 단순한 유사성 감소를 넘어 창작적 독창성과 시각적 품질을 동시에 개선함을 보여준다. 셋째, 인간의 개입 효과도 검토한 결과, 프롬프트 설계와 최종 선별을 포함한 협업 과정에서 외부 평가자의 평균 점수는 3.8에서 4.5로 상승하여, 인간-기계 협업이 창작 완성도를 높이는 중요한 요소임이 확인되었다. 결론적으로, 제어 전략은 단순한 표절 회피 수단을 넘어 새로운 시각적 표현과 창의적 개입을 가능케 하는 미학적 장치로 작동한다. 본 연구는 생성형 인공지능 예술에서 기술적 제어와 인간의 미학적 판단이 결합될 때, 독창성·다양성과 함께 윤리적 정당성까지 확보될 수 있음을 입증하였다.
Abstract
In the 21st century, generative artificial intelligence(AI) art has opened unprecedented creative possibilities through the advancement of Generative Adversarial Networks(GANs), yet it has also provoked plagiarism controversies due to the high similarity between generated works and existing artworks. Such issues arise because AI generates images by learning from massive datasets, often leading to overfitting and repetitive outputs. This study empirically verifies control strategies to mitigate these risks and discusses their aesthetic implications. First, the CelebA and WikiArt datasets were used to evaluate the similarity between generated outputs and training data. The baseline GAN model yielded an average Structural Similarity Index Measure(SSIM) of 0.71 and a Learned Perceptual Image Patch Similarity(LPIPS) of 0.32, indicating high resemblance to the originals. With the application of control strategies, however, SSIM decreased to 0.58 and LPIPS increased to 0.46, thereby reducing the likelihood of overfitting (p<0.05). Second, plagiarism-prevention effects were tested by applying latent space manipulation, discriminator similarity filtering, and creativity-inducing loss design. As a result, feature diversity (Intra-FID) improved by approximately 18%, average inter-sample similarity decreased by 12%, and creativity evaluation scores rose from 3.2 to 4.1. These findings demonstrate that control strategies enhance not only dissimilarity but also creative originality and visual quality. Third, the effect of human intervention was examined, revealing that collaborative processes such as prompt design and final output selection increased the average external evaluator score from 3.8 to 4.5, confirming that human–machine collaboration plays a crucial role in improving creative completeness. In conclusion, control strategies function not merely as plagiarism-avoidance mechanisms but as aesthetic devices that enable new modes of visual expression and creative intervention. This study demonstrates that in generative AI art, the combination of technical control and human aesthetic judgment can simultaneously secure originality, diversity, and ethical legitimacy.